集成机器学习模型用于解析多囊卵巢综合征中的肠道微生物失调与功能紊乱

《F&S Science》：Integrative Machine Learning Models to Unravel Gut Microbial Dysbiosis and Functional Disruption in Polycystic Ovary Syndrome

　　

Geetika Devi Kaliappa | Hema Palanisamy | Subramanian Vidyalakshmi

印度泰米尔纳德邦哥印拜陀PSG理工学院生物技术系

摘要

目的

本研究旨在探讨多囊卵巢综合征（PCOS）女性与健康对照组之间的肠道微生物多样性及代谢途径的差异，并评估基于微生物组的机器学习模型的诊断潜力。

研究设计

采用病例对照的宏基因组数据分析方法

研究对象

研究对象包括被诊断为PCOS的女性及其年龄匹配的健康对照组

暴露因素

多囊卵巢综合征（PCOS）的存在

主要研究指标

主要研究指标包括肠道微生物的α多样性和β多样性指数、微生物类群的丰度、功能代谢途径特征、预测的代谢物水平、微生物-功能代谢途径相互作用网络，以及基于微生物组的机器学习模型的诊断准确性。

指标	描述
α多样性指数	反映肠道微生物种类的丰富程度
β多样性指数	反映肠道微生物群落的复杂性
微生物类群丰度	特定微生物种类的数量
功能代谢途径特征	微生物参与的代谢过程
代谢物水平	肠道中产生的化学物质
微生物-功能代谢途径相互作用网络	微生物与代谢物之间的关联
机器学习模型诊断准确性	模型预测PCOS的准确率

研究结果

α多样性和β多样性分析显示，尽管PCOS女性的物种丰富度与健康对照组相当，但她们的肠道微生物群落存在明显失衡。差异丰度分析发现了41种显著改变的微生物种类，其中促炎性菌株（如*Bacteroides vulgatus*和*Ruminococcus gnavus*）数量增加，而有益共生菌（如*Roseburia hominis*和*Prevotella copri*）数量减少。这些变化表明PCOS患者的肠道微生物群落具有促炎特性。功能代谢途径分析显示，参与核苷酸代谢、脂质代谢和神经递质合成的途径在PCOS患者中被激活，可能导致了代谢和神经内分泌紊乱。网络分析发现，PCOS患者的微生物-代谢物关联较为零散且不稳定，而健康对照组则具有较为紧密的关联。基于微生物组的机器学习模型的诊断准确率为84.25%（AUC为0.93），展现了其良好的预测能力。

结论

PCOS患者的肠道微生物组具有促炎性的群落结构和紊乱的代谢途径。这些发现凸显了基于微生物组模型的诊断潜力，并表明肠道微生物组是治疗PCOS的有希望的治疗靶点。